医学图像分割中面向目标的形状统计与边界特征学习

基于模型的分割是医学图像分割的一种重要方法，先验形状约束和目标边界检测是其中的两个核心关键技术。现有方法在估计先验形状约束时未能考虑目标个体的特殊性，所使用的边界特征也缺乏可分度，因此在准确性和可靠性方面尚不能满足实际需求。不同于以往的方法，本项目将利用流形学习方法，重建小样本形状训练集的内在几何结构，以确定新测试形状在数据流形上的位置，从而得到针对目标个体的基于流行结构的先验形状约束。其次，为了精确检测目标在图像中的边界，将研究高可分度特征的设计问题。其中包括，区域描述特征与局部底层特征的联合构造问题，及基于稀疏学习的特征选择与组合问题。在此基础上，得到具有高可分度、低复杂度的目标边界特征构造方法。本项目的研究不仅可为医学图像分割领域带来新思路和新方法，所获成果还可为临床诊断与治疗的自动化贡献新的算法。

基于模型的方法作为医学图像分割方法的一个主流方向，如何构建同时包含有全局和局部形状统计信息的模型，并估计面向目标个体的先验形状约束；如何提取具有高可分度的目标边界特征，并通过对训练集图像的学习找出最佳组合并确定权重，是进一步提高算法性能所必须解决的部分难题。本项目针对基于可变形模型医学图像分割方法中存在的问题，特别是形状统计模型缺乏个体针对性，以及传统边界图像特征可分度低的问题，研究了针对待分割目标个体的先验形状约束估计方法和自适应提取与学习具有高可分度的目标边界特征的方法。共发表论文21 篇，其中SCI 检索17篇，包括发表在IEEE T-BME、IEEE J-BHI、CVIU、IEEE T-CBY 等汇刊上的论文，以及CVPR、ISBI、ICMLA 等EI检索会议论文4 篇。本项目提出了先验形状相似度度量与学习的新方法，提出了边界特征显著性的度量方法，提出了自适应先验形状约束及耦合可变模型，提出了多图谱医学图像分割中图谱选择与融合的方法，并将这些方法应用于磁共振前列腺图像和膀胱图像的分割，相对于之前已有的方法取得了更好的结果。